Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
|
|
- Valentin Kalb
- vor 7 Jahren
- Abrufe
Transkript
1 Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
2 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift Operator. a) Ein stochastischer Prozeß sei durch Y t = α + βt + U t gegeben. Ist der Prozeß Y t stationär? Ist der Prozeß Z t = (1 B)Y t stationär? b) Ein Prozeß sei durch Y t = (α + βt) + s t + U t gegeben, wobei s t = s t 12 = s t 24 usw. gelte. Stellen Sie den Prozeß Z t = (1 B 12 )Y t explizit (d.h. ohne Verwendung von B) dar und untersuchen Sie ihn auf Stationarität. c) Ein Prozeß sei durch Y t = (α + βt)s t + U t gegeben; s t erfülle die Bedingung aus b). Ist der Prozeß stationär? Z t = (1 B 12 ) 2 Y t Aufgabe 2 Für einen stationären Prozeß seien die Kovarianzen γ 0 = 10, γ 1 = 5, γ 2 = 8 bekannt. Legen Sie einen AR(2) Prozeß Y t = a 1 Y t 1 + a 2 Y t 2 + U t zugrunde und berechnen Sie sowohl die Prozeßparameter a 1 und a 2 als auch die Varianzen von U t und Y t. Aufgabe 3 Für welche Werte des Parameters c ist 1
3 a) Y t = Y t 1 + c Y t 2 + U t ein stationärer AR(2) Prozeß? b) Y t = Y t 1 + c Y t 2 c Y t 3 + U t ein stationärer AR(3) Prozeß? c) Y t = U t U t 1 + cu t 2 ein invertierbarer MA(2) Prozeß? Aufgabe 4 Sind die stochastischen Prozesse a) b) Y t = 0,7 U t 1 0,2 U t 2 + U t Y t = 0,6 Y t 1 + 0,2 Y t 2 + U t stationär? Ermitteln Sie jeweils die Autokorrelationsfunktion ACF für k = 0, 1, 2, 3, 4 die partielle Autokorrelationsfunktion PACF für k = 0, 1, 2, 3. Aufgabe 5 Wendet man das Kleinst Quadrate Prinzip auf eine Zeitreihe y 1,..., y n an, um die Parameter µ und a 1 eines stationären AR(1) Prozesses (mit unbekanntem Erwartungswert µ) zu schätzen, so erhält man eine quadratische Zielfunktion Q(µ, a 1 ). Ermitteln Sie durch Ableiten nach µ und Nullsetzen die Schätzfunktion ˆµ für µ. Vergleichen Sie ˆµ mit dem traditionellen Schätzer ȳ. Aufgabe 6 Es sei Z t mit Z t = (1 B) 2 Y t ein stationärer Prozeß (B = Backshift Operator). Es seien die entsprechenden Beobachtungswerte bis t = 25 bekannt, wobei insbesondere gelte. Ferner seien die Prognosewerte y 24 = 300, y 25 = 310 ẑ 25 (1) = 5, ẑ 25 (2) = 15 bekannt. Berechnen Sie hieraus die Prognosen für den nichtstationären Prozeß Y t. ŷ 25 (1) und ŷ 25 (2) 2
4 Aufgabe 7 a) Die Realisationen eines stochastischen Prozesses Y t pendeln um das Niveau 15. Der Prozeß (Y t - 15) sei als ARMA(2,1) Prozeß identifiziert worden, wobei gelte a(b)(y t 15) = b(b)u t a(b) = 1 0,5B 0,1B 2, b(b) = 1 0,3B. Ferner seien die Zeitreihenwerte y 9 = 16, y 10 = 18 sowie das Residuum û 10 = 1 bekannt. Stellen Sie Prognosen ŷ 10 (1) und ŷ 10 (2) für y 11 und y 12 auf. b) Für einen Prozeß Y t gelte a(b)(1 B)Y t = b(b)u t mit denselben Lagpolynomen wie in a). Erstellen Sie auch hier die Prognosen ŷ 10 (1) und ŷ 10 (2), wobei folgende Daten benutzt werden können: y 8 = 6, y 9 = 7, y 10 = 10, û 10 = 1. Aufgabe 8 Für einen stationären Prozeß seien die Kovarianzen ermittelt worden. a) Kann ein MA(2) Prozeß vorliegen? b) Legen Sie einen AR(2) Prozeß γ 0 = 6, γ 1 = 3, γ 2 = 3, γ 3 = 2 Y t = a 1 Y t 1 + a 2 Y t 2 + U t zugrunde und berechnen Sie die Prozeßparameter a 1 und a 2, ferner die Varianzen von U t und Y t sowie schließlich den sich aus dieser Spezifikation ergebenden Korrelationskoeffizienten ρ 3. Aufgabe 9 Ein verallgemeinertes lineares Modell mit autokorrelierten Störvariablen führt für n = 10 Beobachtungen auf folgende KQ Residuen û t : t û t
5 a) Berechnen Sie die Durbin Watson Teststatistik DW. Spricht der Wert eher für oder gegen eine positive Autokorrelation? (Ein exakter Test ist nicht verlangt.) b) Berechnen Sie den Faktor ˆρ, mit dem gemäß dem Cochran/Orcutt Verfahren die verallgemeinerten Differenzen y t ˆρy t 1 etc. zu bilden sind. Aufgabe 10 Die Ausgaben (y) für Forschung und Entwicklung sollen durch ein lineares Regessionsmodell mit einem absoluten Glied und dem Regressor x = Umsatz erklärt werden. In einer Stichprobe von n = 8 Unternehmen wurde registiert: Unternehmen F&E Ausgaben Umsatz Die Störvariablen seien unkorreliert.die Störvarianz für die Unternehmen mit einem Umsatz über 60 betrage das Dreifache derjenigen für kleinere Unternehmen. Bestimmen Sie a) die für den AITKEN Schätzer erforderliche Matrix Ω 1 b) die Faktorisierung von Ω 1 gemäß A T A = Ω 1 c) die bei der Zurückführung auf ein klassisches Regressionsmodell resultierenden Datenmatrizen y und X. Aufgabe 11 Für mittelfristige Prognosen wurde ein Regressionsmodell der Form y t = β 0 + β 1 t + β 2 t 2 + β 3 x t3 + u t mit einem quadratischen Zeittrend sowie der Dummy Variablen 1, falls t ein erstes Halbjahr ist x t3 = 0, sonst zugrunde gelegt. Für die Halbjahre t = 1, 2,..., 16 liegen die x t3 und y t Werte vor, aus denen die Koeffizienten geschätzt, die KQ Residuen û t ermittelt und die Durbin Watson Teststatistik DW = 0,22 berechnet wurde. 4
6 a) Testen Sie zum Signifikanzniveau α = 0,05, ob die Störvariablen positiv korreliert sind. b) Ermitteln Sie aus DW eine Schätzung für den Korrelationskoeffizienten ρ, mit dem die Daten für die Cochrane Orcutt Prozedur von Autokorrelation bereinigt werden. Wie lauten die ersten drei Zeilen der bereinigten Matrix X (wenn t = 1 ein erstes Halbjahr betrifft)? Aufgabe 12 Welche der folgenden Funktionstypen lassen sich mit multipler linearer Regression bearbeiten? Geben Sie falls möglich das linearisierte Modell an. x (1) y = β β x β 2 2 x β 3 3 x 1, x 2, x 3 > 0 (2) y = β β 0 β 1 x 1 + β 2 1x 2 1; x 1 > 0 (3) y = β 0 β 2 x 2 + β 1 β 2 x 1 x 2 ; x 1, x 2 > 0 5
7 Lösung zu Aufgabe 1 a) Wegen E(Y t ) = α + βt ist (für β 0) der Prozeß nicht mittelwertstationär.damit ist er instationär, obwohl er die Varianz und Kovarianzstationarität besitzt. Z t = (1 B)Y t = α + βt + U t [α + β(t 1) + U t 1 ] = β + U t U t 1 ist MA(1) Typ, also stationär. b) Z = (1 B 12 )Y t = α + βt + s t + U t [α + β(t 12) + s t 12 + U t 12 ] = 12β + U t U t 12 ist vom MA(12) Typ, also stationär. c) (1 B 12 ) 2 Y t = (1 B 12 )[(α + βt)s t + U t (α + β(t 12)s t 12 + U t 12 )] = (1 B 12 )[12βs t 12 + U t U t 12 ] = U t 2U t 12 + U t 24 ist MA(24) und damit stationär. Lösung zu Aufgabe 2 Yule Walker Gleichungen: haben die Lösung Wegen ρ 1 = γ 1 γ 0 = 1 2, ρ 2 = 8 10 erhält man 1 a 1 + ρ 1 a 2 = ρ 1 ρ 1 a a 2 = ρ 2 a 2 = ρ 2 ρ ρ 2 1 a 1 = ρ 1 (1 a 2 ) a 2 0, 73, a 1 0, 14. Ferner ergibt sich Var(Y t ) = γ 0 = 10 sowie aus γ 0 = a 1 γ 1 + a 2 γ 2 + Var(U t ) schließlich Var(U t ) = 10 0, , 73 8 = 3, 46 6
8 Lösung zu Aufgabe 3 a) Die allgemeine Stationaritätsbedingung für einen AR(2) Prozeß ist: a 1 + a 2 < 1, a 1 a 2 > 1, a 2 > 1 Für a 1 = 1, a 2 = c erhält man die Bedingung 1 < c < 0. b) Das Lagpolynom 1 B cb 2 + cb 3 hat eine Nullstelle für B = 1, also liegen (für jedes c) nicht alle Nullstellen außerhalb des Einheitskreises. Folglich ist der Prozeß für keinen c Wert stationär. c) Wegen Y t = (1 B + cb 2 )U t sind die Ungleichungen aus a) für a 1 = 1, a 2 = c auszuwerten. Für 0 < c < 1 liegt Invertierbarkeit vor. Lösung zu Aufgabe 4 Identifikation der Prozesse: a) MA(2) Prozeß mit b 1 = 0,7 und b 2 = 0,2 b) AR(2) Prozeß mit a 1 = 0,6 und a 2 = 0,2 Stationarität: a) MA(q) Prozesse sind immer stationär! b) AR(2) Prozeß ist stationär, wie man aus den expliziten Stationaritätsbedingungen (Stabilitätsdreieck) direkt ersieht. ACF, PACF: MA(2) Prozeß AR(2) Prozeß k ρ k π k ρ k π k 0 1,00 1,00 1,00 1,00 1 0,37 0,37 0,75 0,75 2 0,13 0,31 0,65 0, ,23 0,54 0, ,45 7
9 Lösung zu Aufgabe 5 Der AR(1) Prozeß ist Y t µ = a 1 (Y t 1 µ) + U t bzw. Y t = a 1 Y t 1 + µ(1 a 1 ) + U t. Die zu minimierende Quadratsumme ist n Q(µ, a 1 ) = [y t a 1 y t 1 µ(1 a 1 )] 2 t=2 Ableiten nach µ und Nullsetzen (â 1 1 vorausgesetzt) liefern n y t â 1 2 n 2 y t 1 = (n 1)ˆµ(1 â 1 ) 1 n 1 n 2 n 1 1 y t â 1 y t = ˆµ(1 â 1 ) n 1 1 ˆµ = ȳ(2) â 1 ȳ (1) 1 â 1 wobei ȳ (1) bzw. ȳ (2) das Mittel über die (n 1) ersten bzw. letzten Beobachtungswerte bedeutet. Für große n gilt natürlich ȳ (1) ȳ (2) ȳ und damit ˆµ ȳ. 8
10 Lösung zu Aufgabe 6 Es gilt z t = (1 B) 2 y t = (1 B)(y t y t 1 ) = y t y t 1 y t 1 + y t 2 = y t 2y t 1 + y t 2. Insbesondere ist z 26 = y 26 2y 25 + y 24 bzw. y 26 = z y 25 y 24. Die Einschritt Prognose ŷ 25 (1) ergibt sich deshalb als ŷ 25 (1) = ẑ 25 (1) + 2y 25 y 24 = = 325. Analog erhält man die Zweischritt Prognose wegen y 27 = z y 26 y 25 gemäß ŷ 25 (2) = ẑ 25 (2) + 2ŷ 25 (1) y 25 = = 355. Lösung zu Aufgabe 7 a) Sei Ỹt = Y t 15. Dann gilt Ỹ t = 0,5Ỹt 1 + 0,1Ỹt 2 + U t 0,3U t 1 Einschritt-Prognose für Ỹt: ˆỹ 10 (1) = 0,5ỹ ,1ỹ ,3û 10 = 0, ,1 1 0,3 1 = 1,3 ŷ 10 (1) = 15 + ˆỹ 10 (1) = 16,3 Analog für die Zweischritt-Prognose ˆỹ 10 (2) = 0,5ˆỹ 10 (1) + 0,1ỹ = 0,95 ŷ 10 (2) = ,95 = 15,95 b) Für Z t = (1 B)Y t ergeben sich dieselben Prognosen wie für Ỹt aus Teil a, d.h. ẑ 10 (1) = 1,3 und ẑ 10 (2) = 0,95 Wegen z t = y t y t 1 gilt y t = z t + y t 1. Die Prognosen bzw. des Y t Prozesses sind deshalb: ŷ 10 (1) = ẑ 10 (1) + y 10 = 11,3 ŷ 10 (2) = ẑ 10 (2) + ŷ 10 (1) = 12,25 9
11 Lösung zu Aufgabe 8 a) Ein MA(2) Prozeß müßte γ 3 = 0 haben. Es kann kein MA(2) Prozeß vorliegen; natürlich kann auch kein MA(1) Prozeß vorliegen. b) Yule Walker Gleichungen haben die Lösung 1 a 1 + ρ 1 a 2 = ρ 1 ρ 1 a a 2 = ρ 2 mit ρ 1 = 0, 5, ρ 2 = 0, 5 (ρ 3 = 1 3 ) a 2 = ρ 2 ρ ρ 2 1 = 0, 5 0, , 25 = 0, 25 0, 75 = 1 3 a 1 = ρ 1 (1 a 2 ) = 0, = 1 3. Var(Y t ) = γ 0 = 6. γ 0 = a 1 γ 1 + a 2 γ 2 + Var(U t ) Var(U t ) = = 4 Der Korrelationskoeffizient ρ 3 ist ebenfalls durch die Yule Walker Gleichungen bestimmt: ρ 3 = ρ 2 a 1 + ρ 1 a 2 = = 1 3 Lösung zu Aufgabe 9 a) DW = nt=2 (û t û t 1 ) 2 nt=1 û 2 t = = 24 8 = 3 b) Der Wert spricht gegen eine positive Autokorrelation. ˆρ = n 1 t=1 û t û t+1 n 1 t=1 û 2 t = =
12 Lösung zu Aufgabe 10 a) Ω 1 = / / /3 b) A ist eine 8x8 Diagonalmatrix mit den Hauptdiagonalelementen 1, 1, 1/ 3, 1, 1, 1/ 3, 1, 1/ 3 c) y = / / / 3 X = / 3 108/ / 3 144/ / 3 72/ 3 11
13 Lösung zu Aufgabe 11 a) Wenn von autokorrelierten Störvariablen die Rede ist, wird üblicherweise ein autoregressiver Prozeß erster Ordnung, d.h. u t = ρu t 1 + ε t unterstellt. Es ist dann zu testen H 0 : ρ = 0 gegen H 1 : ρ > 0. Es ist H 0 abzulehnen (und damit H 1 zu bestätigen), wenn DW < d u (α) Laut Tabelle (n = 16, k = 3) ist d u (0,05) = 0,86. H 0 ist demnach abzulehnen. b) Mittels DW wird ρ gemäß ˆρ = 1 DW 2 = 1 0,11 = 0,89 geschätzt. Die ersten 4 Zeilen von X sind Die ersten 3 Zeilen von X sind demnach 1 0, , , , , , , , , , , 89 = 0, 11 1, 11 3, 11 0, 89 0, 11 1, 12 5, , 11 1, 33 7, 99 0, 89 Lösung zu Aufgabe 12 (1) ln(y) = ln(β 0 ) + β 1 ln(x 1 ) β 2 ln(x 2 ) β 3 ln(x 3 ) (2) y = (β 0 + β 1 x 1 ) 2 y = β 0 + β 1 x 1, y 0 (3) y = (β 0 + β 1 x 1 )β 2 x 2, nicht zu linearisieren! 12
14 13
Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrStochastische Prozesse und Box-Jenkins Technik
Stochastische Prozesse und Box-Jenkins Technik Stichwörter: AR-, MA- und ARMA-Prozeß weißes Rauschen random walk Autokorrelations-Funktion Stationarität Invertierbarkeit Korrelogramm Box-Jenkins Technik
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrZeitreihenanalyse in den Wirtschafts Wissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschafts Wissenschaften 2., aktualisierte Auflage STUDIUM VIEWEG+ TEUBNER Abbildungsverzeichnis Tabellenverzeichnis Zeichenerklärung XI XIII XV I Univariate Zeitreihenanalyse
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrModul: Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung. Leseprobe
Prof. Dr. Hermann Singer Modul: 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs: 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Inhaltsverzeichnis 1 Überblick
MehrModul Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung
Prof. Dr. Hermann Singer Modul 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Fakultät für Wirtschaftswissenschaft
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrÜbungsblatt 4. Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität
Empirische Methoden (MA) SS 2011 Übungsblatt 4 Willi Mutschler willi.mutschler@uni-muenster.de Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität 1. Sei Z t W N(0, σ 2 ). Bestimmen Sie den
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrÜbung 1: Mathematische und statistische Grundlagen
Lehrstuhl für BWL, insb. Mathematik und Statistik Übung 1: Mathematische und statistische Grundlagen Berechnen Sie die Schiefe und Kurtosis folgender Zufallsvariablen: a) X besitzt die Dichte { 2x für
MehrLineare Regression (Ein bisschen) Theorie
Kap. 6: Lineare Regression (Ein bisschen) Theorie Lineare Regression in Matrixform Verteilung des KQ-Schätzers Standardfehler für OLS Der Satz von Gauss-Markov Das allgemeine lineare Regressionsmodell
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrKapitel 12. Autokorrelation in den Residuen
Kapitel Autokorrelation in den Residuen Der Sachverhalt Modell y = Xb + u, Ordnung von X: n x k Annahme A6: Var{u} = s I Annahme 6 impliziert serielle Unkorreliertheit der Störgrößen: Var{u t, u t+i }
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrDefinition und Beispiele. Lineare Prozesse. Kausalität und Invertierbarkeit. Berechnung der Autokovarianzfunktion. Prognosen in ARMA-Modellen
Kap. 2: ARMA-Prozesse Definition und Beispiele Lineare Prozesse Kausalität und Invertierbarkeit Berechnung der Autokovarianzfunktion Prognosen in ARMA-Modellen Wold-Darstellung 2.1 Definition und Beispiele
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrÖkonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrProxies, Endogenität, Instrumentvariablenschätzung
1 4.2 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Literatur: Wooldridge, Kapitel 15, Appendix C.3 und Kapitel 9.4 Wahrscheinlichkeitslimes
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
MehrStochastische Trends und Unit root-tests
Stochastische Trends und Unit root-tests Stichwörter: Random walk stochastischer Trend unit root Trend-Stationarität Differenz-Stationarität Dickey-Fuller (DF-)Test Augmented Dickey-Fuller (ADF-)Test o1-15.tex/0
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrStochastik-Praktikum
Stochastik-Praktikum Zeitreihenanalyse Peter Frentrup Humboldt-Universität zu Berlin 19. Dezember 2017 (Humboldt-Universität zu Berlin) Zeitreihenanalyse 19. Dezember 2017 1 / 13 Übersicht 1 Zeitreihen
Mehr3. ARMA-Modelle. Jetzt: Wichtigste Modellklasse für stationäre Prozesse
3. ARMA-Modelle Jetzt: Wichtigste Modellklasse für stationäre Prozesse Definition 3.1: (ARMA(p, q)-prozess) Gegeben sei das Weiße Rauschen {ɛ t } t Z WR(0, σ 2 ). Der Prozess {X t } t Z heißt AutoRegressiver-Moving-Average-Prozess
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrDynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle und Kalman Filter 15 p.2/??
Dynamische Systeme und Zeitreihenanalyse Zustandsraummodelle und Kalman Filter Kapitel 15 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- & Finanzwirtschaft SS 2015
Regressionsmodelle mit Anwendungen in der Versicherungs- & Finanzwirtschaft SS 2015 Univ.-Prof. Dr. Michael Merz Universität Hamburg Übungsaufgaben Übungsaufgaben c 2015 M. Merz Universität Hamburg Regressionsmodelle
MehrZeitreihenanalyse. 1 Einleitung. 2 Autoregressive Prozesse, lineare Differenzengleichungen
Zeitreihenanalyse Enno MAMMEN Department of Economics, University of Mannheim L7, 3-5, 68131 Mannheim, Germany E mail: emammen@rumms.uni-mannheim.de February 22, 2006 1 Einleitung Klassisches Komponentenmodell,
MehrÜbungsaufgaben zur Vorlesung
Dr. Markus Höchstötter Volkswirtschaftslehre III Louisa Hellmann Einführung in die Ökonometrie Lehrstuhl für Statistik, Ökonometrie Sommersemester 01 und Mathematische Finanzwirtschaft Übungsaufgaben zur
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrZusammenfassung: Einfache lineare Regression I
4 Multiple lineare Regression Multiples lineares Modell 41 Zusammenfassung: Einfache lineare Regression I Bisher: Annahme der Gültigkeit eines einfachen linearen Modells y i = β 0 + β 1 x i + u i, i {1,,
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Namensschild
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Namensschild Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung. Bachelorprüfung
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Empirische Wirtschaftsforschung II PD Dr. Richard Reichel Name, Vorname Matrikelnr. Studiengang Semester Email
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
Mehr4. Nichtstationarität und Kointegration
4. Nichtstationarität und Kointegration 4.1 Einheitswurzeltests (Unit-Root-Tests) Spurious regression In einer Simulationsstudie haben Granger und Newbold (1974) aus zwei unabhängigen Random Walks (Unit-Root-Prozesse)
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012 Aufgabe 1 (20 Punkte) Sei y = Xβ + ε ein N 1 Vektor und X eine N K Matrix.
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrKapitel 9. ARMA Modelle. Stationäre und nicht-stationäre Prozesse: White noise und random walk. ARMA: Autoregressive moving average Modelle
Kapitel 9 ARMA Modelle Josef Leydold c 2006 Mathematische Methoden IX ARMA Modelle 1 / 65 Lernziele Stationäre und nicht-stationäre Prozesse: White noise und random walk ARMA: Autoregressive moving average
MehrStatistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig November 28, 2011 Bernd Süßmuth (Universität Leipzig) APÖ November 28, 2011 1 /
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
MehrQuantitative Methoden der Agrarmarktanalyse und des Agribusiness
Quantitative Methoden der Agrarmarktanalyse und des Agribusiness Fragen zur Vorlesung Teil 2 SS 2001 Mai 19 Dr. Jens-Peter Loy, Institut für Agrarökonomie (Kommentare bitte per e-mail an jploy@agric-econ.uni-kiel.de)
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS ( = 57 Punkte)
Aufgabe 3 (9 + 5 + 7 + 7 + 3 + 9 + 7 + 10 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Zu Beginn der Studienjahre 2011 und 2012 wurden Studienanfänger an
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrPraxis der Regressionsanalyse
Praxis der Regressionsanalyse Von Samprit Chatterjee New York University und Bertram Price Price Associates, Inc., Washington, D. C. Aus dem Amerikanischen übertragen von Prof. Dr. Gunter Lorenzen Universität
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrBachelorprüfung im Wintersemester 2012/2013
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Wintersemester 2012/2013 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Aufgabenstellung und Ergebnisse
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Aufgabenstellung und Ergebnisse Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
Mehr